CN110046697A - 一种基于K指数的Kp指数现报方法 - Google Patents

一种基于K指数的Kp指数现报方法 Download PDF

Info

Publication number
CN110046697A
CN110046697A CN201910346166.1A CN201910346166A CN110046697A CN 110046697 A CN110046697 A CN 110046697A CN 201910346166 A CN201910346166 A CN 201910346166A CN 110046697 A CN110046697 A CN 110046697A
Authority
CN
China
Prior art keywords
index
day
parameter
average value
magnetic field
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910346166.1A
Other languages
English (en)
Inventor
付梦印
康嘉鹏
刘彤
王美玲
王凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910346166.1A priority Critical patent/CN110046697A/zh
Publication of CN110046697A publication Critical patent/CN110046697A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/40—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for measuring magnetic field characteristics of the earth
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于K指数的Kp指数现报方法，将单个地磁台现报的K指数与神经网络预测Kp指数相结合，即神经网络的输入参数在原有太阳风参数的基础上加入了单个地磁台现报得到的K指数，能够在保证高精度Kp指数现报的实时性基础上，尽可能减少现报所需数据并简化计算流程；由此可见，相比当前阶段的Kp指数预报方法，本发明可以避免太阳风对现报结果的消极影响，更加稳定且可持续现报；相比当前阶段的Kp指数现报方法，本发明可以使用更少的地磁台数据，且精度较高，克服了当前阶段Kp指数现报方法构造复杂、使用地磁台数据较多的缺陷，以及神经网络预测Kp指数时无法稳定、持续高精度预测的不足。

Description

一种基于K指数的Kp指数现报方法
技术领域
本发明属于地球科学的空间物理技术领域，尤其涉及一种基于K指数的Kp指数现报方法。
背景技术
Kp指数用于描述由太阳风和磁层相互耦合所产生的全球地磁扰动的程度，在空间物理学术研究和空间天气业务服务方面有着较为广泛的应用。在空间物理学术研究中，由于Kp指数并非针对某个特定的电流系而制定，而是大致反映磁层对流强度，因而经常被用于其他磁层物理问题的分析，如极光电流边界、极光电子沉降区的赤道向边界、等离子体片内边界等。在空间天气业务服务中，Kp指数被用来量化磁暴的等级，作为航天器表面充电、深层充电预警等的重要参考。目前，官方Kp指数的发布要延迟两周，这使其无法满足空间天气业务服务方面的及时性要求。
解决Kp指数及时性需求的方法大致归为两类。一类是建立Kp指数短期预报模式，以太阳风参数为输入，对其约提前半小时进行预报。这类模式主要基于神经网络进行。使用这种方法时，预测精度与太阳活动的剧烈程度有着较大关系，无法对Kp指数进行稳定、持续的高精度预测。另一种是根据地磁台站的实时监测数据，发展一些Kp指数的估计方法，对其进行现报，其代表为Takahashi法。这种方法是基于Kp指数的基本构造原理。使用这种方法对Kp指数进行现报时，需要使用多地磁台数据，且构造过程较为复杂。
发明内容
为解决上述问题，本发明提供一种基于K指数的Kp指数现报方法，能够在减少数据使用量的基础上实现对Kp指数的高精度现报。
一种基于K指数的Kp指数现报方法，包括以下步骤：
S1：获取X年内地磁台每天监测的Kp指数以及现报的单个地磁台的K指数，其中，X至少为10；
S2：将行星际磁场中的磁场总量B、行星际磁场中的磁场y方向分量By、行星际磁场中的z方向分量Bz、太阳风粒子密度n以及太阳风速度V定义为五元参数组，然后分别获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值；
S3：获取X年内各天的时间参数sin 2πT/24、cos 2πT/24、sin 2πD/365、cos 2πD/365，其中，T为每隔三小时的时间值，D为当年内的第几天；
S4：将各天的K指数、五元参数组中各参数的最大值、平均值、最小值以及时间参数作为现报神经网络的训练样本，各天对应的Kp指数作为现报神经网络的训练目标，对现报神经网络进行训练，得到现报神经网络；
S5：重新获取所述X年外任一天的K指数，该天任意一个连续三小时时间段内的五元参数组中各参数的最大值、平均值、最小值、时间参数sin 2πT/24以及cos 2πT/24，该天的时间参数sin 2πD/365、cos 2πD/365，输入现报神经网络，实现该天的Kp指数的现报。
可选的，步骤S2中获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值前，将获取五元参数组中各参数的时间延迟τ，其中，τ＝r/V，r为卫星到地球上空的距离，V为当前组五元参数组中太阳风速度V。
可选的，所述现报神经网络的输入层节点数为20，隐含层层数为1，隐含层节点数为20，输出层节点数为1。
可选的，步骤S1中所述的K指数具体现报方法为：
S101：获取求K指数日的前N日的规则日变化曲线SR，具体为：
将所述前N日中每一日平均划分为8个时段；
分别获取每一日各时段的地磁场H分量的每3小时平均值，其中，所述每3小时平均值的计算方法为：
将每3小时以及每3小时的前后一段时间的地磁场H分量的平均值，作为该时段对应的每3小时平均值；
分别对各日的8个时段对应的每3小时平均值进行谐波拟合，获取各日的规则日变化曲线SR；
S102：将步骤S101获取的N条规则日变化曲线SR的平均值，作为求K指数日的规则日变化曲线SR*；
S103：将求K指数日的地磁场H分量观测曲线与规则日变化曲线SR*的差值曲线，作为求K指数日的K变化曲线；
S104：根据所述K变化曲线，获取求K指数日的K指数。
有益效果：
本发明提供一种基于K指数的Kp指数现报方法，将单个地磁台现报的K指数与神经网络预测Kp指数相结合，即神经网络的输入参数在原有太阳风参数的基础上加入了单个地磁台现报得到的K指数，能够在保证高精度Kp指数现报的实时性基础上，尽可能减少现报所需数据并简化计算流程；由此可见，相比当前阶段的Kp指数预报方法，本发明可以避免太阳风对现报结果的消极影响，更加稳定且可持续现报；相比当前阶段的Kp指数现报方法，本发明可以使用更少的地磁台数据，且精度较高，克服了当前阶段Kp指数现报方法构造复杂、使用地磁台数据较多的缺陷，以及神经网络预测Kp指数时无法稳定、持续高精度预测的不足。
附图说明
图1为本发明提供的一种基于K指数的Kp指数现报方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
参见图1，该图为本实施例提供的一种基于K指数的Kp指数现报方法的流程图。一种基于K指数的Kp指数现报方法，包括以下步骤：
S1：获取X年内地磁台每天监测的Kp指数以及现报的单个地磁台的K指数，其中，X至少为10。
需要说明的是，Kp指数由分布于全球的13个地磁台计算得到的K指数构造而来，因此现报得到高精度的K指数是高精度Kp指数现报的基础。现报K指数时，FMI方法虽然精度较高，但是无法实现现报；Takahashi法可以现报但精度不理想。因此本实施例使用一种K指数现报方法进行现报，具体的：
S101：获取求K指数日的前N日的规则日变化曲线SR，具体为：
将所述前N日中每一日平均划分为8个时段；
分别获取每一日各时段的地磁场H分量的每3小时平均值，其中，所述每3小时平均值的计算方法为：
将每3小时以及每3小时的前后一段时间的地磁场H分量的平均值，作为该时段对应的每3小时平均值；
分别对各日的8个时段对应的每3小时平均值进行谐波拟合，获取各日的规则日变化曲线SR；
S102：将步骤S101获取的N条规则日变化曲线SR的平均值，作为求K指数日的规则日变化曲线SR*；
S103：将求K指数日的地磁场H分量观测曲线与规则日变化曲线SR*的差值曲线，作为求K指数日的K变化曲线；
S104：根据所述K变化曲线，获取求K指数日的K指数。
进一步地，求取规则日变化曲线SR所需的天数N的确定方法具体为：
按照步骤S101的方法，分别获取不同天数对应的规则日变化曲线SR #；
分别获取各规则日变化曲线SR #对应的备选求K指数日的磁扰幅度；
分别获取备选求K指数日的各个磁扰幅度对数与K指数之间相关系数，其中，所述K指数为备选求K指数日的K指数；
剔除不满足预设条件的相关系数，其中，所述预设条件为：相关系数大于设定经验值，且此时大于设定经验值的相关系数对应的天数小于设定经验天数；
将满足预设条件的相关系数的最大值对应的天数，作为求取规则日变化曲线SR所需的天数N。
S2：将行星际磁场中的磁场总量B、行星际磁场中的磁场y方向分量By、行星际磁场中的z方向分量Bz、太阳风粒子密度n以及太阳风速度V定义为五元参数组，然后分别获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值。
需要说明的是，太阳风粒子密度n，太阳风速度V，行星际磁场(IMF)中的磁场总量B、y方向分量By和z方向分量Bz均会对Kp指数造成较大影响，因此，本实施例将这5个参数作为五元参数组。此外，由于太阳风粒子密度，太阳风速度，行星际磁场(IMF)中的磁场总量B、y方向分量By以及z方向分量Bz来源为ACE卫星，ACE卫星获得的数据来自太阳L1点处，则太阳风粒子从ACE卫星到地球上空存在一定的延迟时间。因此，为了提高Kp指数现报的准确性，获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值前，将获取五元参数组中各参数的时间延迟τi，即加入太阳风粒子从ACE卫星飞到地球上空的时间延迟，其中，τi＝r/Vi，r为卫星到地球上空的距离，Vi为第i组，即当前组五元参数组中太阳风速度V，i的取值范围是1～M，M为输入参数的组数，且M的最大值为X年内三小时时间段的总数。
需要说明的是，在理想情况下，M可以取其最大值，即X年内三小时时间段的总数，但由于存在人为因素或者气候等不可抗拒的自然因素等，可能会导致某组输入参数中的某个参数的数据缺失，则此时M无法取到最大值。
S3：获取X年内各天的时间参数sin 2πT/24、cos 2πT/24、sin 2πD/365、cos 2πD/365，其中，T为每隔三小时的时间值，D为当年内的第几天。
例如，获取2002年1月2日的时间参数，对于1月2日当天的时间参数，T分别取3/6/9/12/15/18/21/24，1月2日为当年的第2天，则D取2。
S4：将各天的K指数、五元参数组中各参数的最大值、平均值、最小值以及时间参数作为现报神经网络的训练样本，各天对应的Kp指数作为现报神经网络的训练目标，对现报神经网络进行训练，得到现报神经网络。
需要说明的是，现报神经网络的训练样本数，即输入参数的组数与输出参数的个数，是X年内三小时时间段的总数，其中，在理想情况，即在不存在数据缺失的情况下，五元参数组中各参数的最大值、平均值、最小值以及时间参数sin 2πT/24、cos 2πT/24的数据个数，与X年内三小时时间段的总数相同，而K指数、Kp指数以及时间参数sin 2πD/365、cos 2πD/365的数据个数，与X年内的总天数相同，也就是说，对于每组输入参数来说，同一天内K指数、Kp指数以及时间参数sin 2πD/365、cos 2πD/365的是不变的。
可选的，所述现报神经网络的输入层节点数为20，隐含层层数为1，隐含层节点数为20，输出层节点数为1。
S5：重新获取所述X年外任一天的K指数，该天任意一个连续三小时时间段内的五元参数组中各参数的最大值、平均值、最小值、时间参数sin 2πT/24以及cos 2πT/24，该天的时间参数sin 2πD/365、cos 2πD/365，输入现报神经网络，实现该天的Kp指数的现报。
实施例二
基于以上实施例，本实施例选择2002年到2012年共计11年，即一个太阳周期的地磁场数据为例，对一种基于K指数的Kp指数现报方法进行进一步说明。
2002年到2012年共计32144个Kp指数，即32144组数据，但是由于数据缺失，共可得到31936组数据。由于2012年数据较为完整，因此选择2012年的2928组数据作为测试集，其余10年数据作为训练集。单地磁台K指数现报时选择北京明十三陵地磁观测站数据，现报时用到的ACE卫星所获得的太阳风参数、行星际磁场数据，数据来源为空间天气预报中心。
第一步，根据地磁台数据，对北京明十三陵的10年K指数进行现报。
第二步，对五元参数组的各参数进行延迟校正，并获取延迟校正后五元参数组的各参数三小时时间段内的最大、最小和平均值。
第三步，以2002-2011的十年数据对现报神经网络进行训练，得到Kp指数的现报神经网络。
第四步，将2012年数据作为测试集进行测试，并将本实施例方法与Takahashi法的现报结果进行对比，如表1所示。
本发明 Takahashi法
误差≤0.3 40.1％ 27.6％
0.3＜误差≤1 47.6％ 31.8％
其中，表1中的误差为不同方法现报得到的Kp指数与官方发布的Kp指数的差值，表中百分数为不同方法下不同误差Kp指数的数量占总数的百分比；由此可见，本实施例的Kp指数现报方法相对Takahashi法取得了较好效果。
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.一种基于K指数的Kp指数现报方法，其特征在于，包括以下步骤：
S1：获取X年内地磁台每天监测的Kp指数以及现报的单个地磁台的K指数，其中，X至少为10；
S2：将行星际磁场中的磁场总量B、行星际磁场中的磁场y方向分量By、行星际磁场中的z方向分量Bz、太阳风粒子密度n以及太阳风速度V定义为五元参数组，然后分别获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值；
S3：获取X年内各天的时间参数sin2πT/24、cos2πT/24、sin2πD/365、cos2πD/365，其中，T为每隔三小时的时间值，D为当年内的第几天；
S4：将各天的K指数、五元参数组中各参数的最大值、平均值、最小值以及时间参数作为现报神经网络的训练样本，各天对应的Kp指数作为现报神经网络的训练目标，对现报神经网络进行训练，得到现报神经网络；
S5：重新获取所述X年外任一天的K指数，该天任意一个连续三小时时间段内的五元参数组中各参数的最大值、平均值、最小值、时间参数sin2πT/24以及cos2πT/24，该天的时间参数sin2πD/365、cos2πD/365，输入现报神经网络，实现该天的Kp指数的现报。
2.如权利要求1所述的一种基于K指数的Kp指数现报方法，其特征在于，步骤S2中获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值前，将获取五元参数组中各参数的时间延迟τ，其中，τ＝r/V，r为卫星到地球上空的距离，V为当前组五元参数组中太阳风速度V。
3.如权利要求1所述的一种基于K指数的Kp指数现报方法，其特征在于，所述现报神经网络的输入层节点数为20，隐含层层数为1，隐含层节点数为20，输出层节点数为1。
4.如权利要求1所述的一种基于K指数的Kp指数现报方法，其特征在于，步骤S1中所述的K指数具体现报方法为：
S101：获取求K指数日的前N日的规则日变化曲线SR，具体为：
将所述前N日中每一日平均划分为8个时段；
分别获取每一日各时段的地磁场H分量的每3小时平均值，其中，所述每3小时平均值的计算方法为：
将每3小时以及每3小时的前后一段时间的地磁场H分量的平均值，作为该时段对应的每3小时平均值；
分别对各日的8个时段对应的每3小时平均值进行谐波拟合，获取各日的规则日变化曲线SR；
S102：将步骤S101获取的N条规则日变化曲线SR的平均值，作为求K指数日的规则日变化曲线SR*；
S103：将求K指数日的地磁场H分量观测曲线与规则日变化曲线SR*的差值曲线，作为求K指数日的K变化曲线；
S104：根据所述K变化曲线，获取求K指数日的K指数。
CN201910346166.1A 2019-04-26 2019-04-26 一种基于K指数的Kp指数现报方法 Pending CN110046697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910346166.1A CN110046697A (zh) 2019-04-26 2019-04-26 一种基于K指数的Kp指数现报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910346166.1A CN110046697A (zh) 2019-04-26 2019-04-26 一种基于K指数的Kp指数现报方法

Publications (1)

Publication Number Publication Date
CN110046697A true CN110046697A (zh) 2019-07-23

Family

ID=67279627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910346166.1A Pending CN110046697A (zh) 2019-04-26 2019-04-26 一种基于K指数的Kp指数现报方法

Country Status (1)

Country Link
CN (1) CN110046697A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850492A (zh) * 2019-10-31 2020-02-28 国家卫星气象中心(国家空间天气监测预警中心) 地磁Kp指数的反演方法、系统、电子装置及存储介质
CN112257847A (zh) * 2020-10-16 2021-01-22 昆明理工大学 一种基于CNN和LSTM预测地磁Kp指数的方法
CN113344032A (zh) * 2021-05-13 2021-09-03 中国科学院国家空间科学中心 一种基于相似度算法的地磁Kp指数预报方法及系统
CN114152990A (zh) * 2021-11-29 2022-03-08 北京大学 一种地磁ap指数计算方法及系统、存储介质及终端

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105068149A (zh) * 2015-07-24 2015-11-18 国家电网公司 一种基于多信息综合的输变电设备雷电监测和预报方法
CN105116469A (zh) * 2015-08-05 2015-12-02 中国电子科技集团公司第二十二研究所 一种中国低纬地区电离层闪烁发生概率预报方法
CN105279565A (zh) * 2014-05-27 2016-01-27 北京中科九章软件有限公司 一种闪电预警方法和系统
US20160296474A1 (en) * 2015-04-07 2016-10-13 Church & Dwight, Co., Inc. Multicomponent gummy compositions with hard core
CN106655187A (zh) * 2016-12-08 2017-05-10 国网青海省电力公司 一种svg消除离网光伏逆变器谐波能力指数预测方法
CN108764482A (zh) * 2018-05-18 2018-11-06 淮海工学院 基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法
CN108983301A (zh) * 2018-08-27 2018-12-11 北京理工大学 一种k指数现报方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279565A (zh) * 2014-05-27 2016-01-27 北京中科九章软件有限公司 一种闪电预警方法和系统
US20160296474A1 (en) * 2015-04-07 2016-10-13 Church & Dwight, Co., Inc. Multicomponent gummy compositions with hard core
CN105068149A (zh) * 2015-07-24 2015-11-18 国家电网公司 一种基于多信息综合的输变电设备雷电监测和预报方法
CN105116469A (zh) * 2015-08-05 2015-12-02 中国电子科技集团公司第二十二研究所 一种中国低纬地区电离层闪烁发生概率预报方法
CN106655187A (zh) * 2016-12-08 2017-05-10 国网青海省电力公司 一种svg消除离网光伏逆变器谐波能力指数预测方法
CN108764482A (zh) * 2018-05-18 2018-11-06 淮海工学院 基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法
CN108983301A (zh) * 2018-08-27 2018-12-11 北京理工大学 一种k指数现报方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PETER WINTOFT 等: "Forecasting Kp from solar wind data: input parameter study using 3-hour averages and 3-hour range values", 《JOURNAL OF SPACE WEATHER & SPACE CLIMATE》 *
YAO TAN 等: "Geomagnetic Index Kp Forecasting With LSTM", 《SPACE WEATHER》 *
刘杨 等: "基于神经网络方法的Kp预报模型", 《载人航天》 *
王庚: "地磁Kp指数现报模式及全球K指数分布预报模式", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850492A (zh) * 2019-10-31 2020-02-28 国家卫星气象中心(国家空间天气监测预警中心) 地磁Kp指数的反演方法、系统、电子装置及存储介质
CN110850492B (zh) * 2019-10-31 2021-09-07 国家卫星气象中心(国家空间天气监测预警中心) 地磁Kp指数的反演方法、系统、电子装置及存储介质
CN112257847A (zh) * 2020-10-16 2021-01-22 昆明理工大学 一种基于CNN和LSTM预测地磁Kp指数的方法
CN113344032A (zh) * 2021-05-13 2021-09-03 中国科学院国家空间科学中心 一种基于相似度算法的地磁Kp指数预报方法及系统
CN114152990A (zh) * 2021-11-29 2022-03-08 北京大学 一种地磁ap指数计算方法及系统、存储介质及终端

Similar Documents

Publication Publication Date Title
CN110046697A (zh) 一种基于K指数的Kp指数现报方法
Zhang et al. A solar time based analog ensemble method for regional solar power forecasting
US11376981B2 (en) Systems and methods for adaptive EV charging
De Giorgi et al. Error analysis of short term wind power prediction models
CN110474339B (zh) 一种基于深度发电负荷预测的电网无功控制方法
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN104537432B (zh) 基于证据推理的电力系统多目标优化调度的决策方法
CN102495937A (zh) 一种基于时间序列的预测方法
CN111784068A (zh) 基于eemd的电力负荷组合预测方法及装置
CN111915083B (zh) 一种基于时间分层组合的风电功率预测方法及预测系统
CN109978284A (zh) 一种基于混合神经网络模型的光伏发电功率分时预测方法
CN104598765A (zh) 一种基于弹性自适应神经网络的建筑物能耗预测方法
CN115951430B (zh) 一种基于lstm的地磁指数预报方法
CN110222908A (zh) 一种基于数据驱动的短期用电量预测方法
CN110119590A (zh) 一种基于多源观测数据的水质模型粒子滤波同化方法
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN115327662A (zh) 一种基于统计学习的区域电离层tec预测方法
CN113984198B (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN114091647A (zh) 一种基于bp神经网络的太阳10.7厘米射电流量预报方法
CN112465266A (zh) 一种母线负荷预测准确率分析方法、装置及计算机设备
CN112149976A (zh) 一种基于人工智能的电网精准投资项目决策方法
Chen et al. Medium-term load forecast based on sequence decomposition and neural network
CN111160719A (zh) 两网融合的多指标评估方法
Saint-Drenan A probabilistic approach to the estimation of regional photovoltaic power generation using meteorological data: Application of the approach to the German case
CN109886497B (zh) 基于纬度改进的反距离加权法的地面气温插值方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190723

WD01 Invention patent application deemed withdrawn after publication